論文の概要: Multi-strategy Collaborative Optimized YOLOv5s and its Application in Distance Estimation

• arxiv url: http://arxiv.org/abs/2312.04113v1
• Date: Thu, 7 Dec 2023 07:59:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-08 15:40:13.489853
• Title: Multi-strategy Collaborative Optimized YOLOv5s and its Application in Distance Estimation
• Title（参考訳）: 多段階協調最適化YOLOv5sと距離推定への応用
• Authors: Zijian Shen, Zhenping Mu, Xiangxiang Li
• Abstract要約: 新しいニューラルネットワークモデル(YOLOv5s-SE)に基づく距離推定安全警報システム(DESWS) 非パラメトリックテストを用いた推定距離に基づく安全性提案手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing accident rate brought about by the explosive growth of automobiles has made the research on active safety systems of automobiles increasingly important. The importance of improving the accuracy of vehicle target detection is self-evident. To achieve the goals of vehicle detection and distance estimation and provide safety warnings, a Distance Estimation Safety Warning System (DESWS) based on a new neural network model (YOLOv5s-SE) by replacing the IoU with DIoU, embedding SE attention module, and a distance estimation method through using the principle of similar triangles was proposed. In addition, a method that can give safety suggestions based on the estimated distance using nonparametric testing was presented in this work. Through the simulation experiment, it was verified that the mAP was improved by 5.5% and the purpose of giving safety suggestions based on the estimated distance information can be achieved.
• Abstract（参考訳）: 自動車の爆発的成長による事故発生率の増加は、自動車のアクティブ安全システムの研究をますます重要にしている。 車両目標検出の精度向上の重要性は自明である。 IoUをDIoUに置き換え、SEアテンションモジュールを埋め込み、類似の三角形の原理を用いて距離推定を行うことにより、車両検出と距離推定の目標を達成し、安全性警告を提供するために、新しいニューラルネットワークモデル(YOLOv5s-SE)に基づく距離推定安全警報システム(DESWS)を提案する。 また,非パラメトリックテストを用いて推定距離に基づく安全性提案を行う方法を提案した。 シミュレーション実験により,mAPは5.5%向上し,推定距離情報に基づく安全性の提案が可能であることが確認された。

関連論文リスト

• LSM: A Comprehensive Metric for Assessing the Safety of Lane Detection Systems in Autonomous Driving [0.5326090003728084]
  本研究では,車線検出システムの安全性を評価するため,車線安全基準(LSM)を提案する。 道路タイプや道路幅を考慮したシーンのセマンティクスなどの付加的要因を車線検出の評価に考慮すべきである。 我々は,異なるレーン検出手法を用いて,様々な仮想シナリオにおけるオフライン安全基準を評価し,最先端のパフォーマンス指標と比較した。
  論文  参考訳（メタデータ） (2024-07-10T15:11:37Z)
• Towards Stable 3D Object Detection [64.49059005467817]
  安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。 モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。 PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
  論文  参考訳（メタデータ） (2024-07-05T07:17:58Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• YOLOv8-Based Visual Detection of Road Hazards: Potholes, Sewer Covers, and Manholes [0.0]
  本研究は,道路危険度検出の文脈において,対象物検出モデルであるYOLOv8の総合評価を行う。 従来の YOLOv5 と YOLOv7 の比較分析を行い、様々なアプリケーションにおける計算効率の重要性を強調した。 この研究は、様々なテストシナリオで計算されたmAPスコアを用いて、モデルの堅牢性と一般化能力を評価する。
  論文  参考訳（メタデータ） (2023-10-31T18:33:26Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
  ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。 オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。 提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
  論文  参考訳（メタデータ） (2022-09-06T12:01:07Z)
• Self-Awareness Safety of Deep Reinforcement Learning in Road Traffic Junction Driving [20.85562165500152]
  道路交通ジャンクションのシナリオでは、車両は通常、輸送環境から部分的な観察を受ける。 本研究では,3つのベースラインDRLモデル(DQN,A2C,PPO)の安全性評価を行った。 提案した自己認識注意-DQNは,交差点およびラウンドアバウンドシナリオにおける安全性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-01-20T11:21:33Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of Dynamic Scenes [69.6715406227469]
  駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。 本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
  論文  参考訳（メタデータ） (2021-08-10T17:57:03Z)
• On Robustness of Lane Detection Models to Physical-World Adversarial Attacks in Autonomous Driving [12.412448947321828]
  2017年のTuSimple Lane Detection Challengeの後、その精度とF1スコアに基づく評価は、車線検出手法の性能を測定するデファクトスタンダードとなっている。 本研究は,自動車走行における物理界の敵対的攻撃下での最先端車線検出手法の堅牢性を評価するための,最初の大規模実験研究である。
  論文  参考訳（メタデータ） (2021-07-06T09:04:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。